2022 Fiscal Year Annual Research Report
燃料電池内部におけるマルチスケール粒子輸送現象の解明のための深層学習
| Project/Area Number |
22F22351
|
|---|
| Allocation Type | Single-year Grants |
|---|
| Research Institution | Tohoku University |
|---|
Principal Investigator |
徳増 崇 東北大学, 流体科学研究所, 教授 (10312662)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
LI GAOYANG 東北大学, 流体科学研究所, 外国人特別研究員
|
|---|
| Project Period (FY) |
2022-11-16 – 2025-03-31
|
| Keywords | 固体高分子形燃料電池 / 触媒層 / 水管理 / 深層学習 |
|---|
| Outline of Annual Research Achievements |
申請書で計画した通り、まず触媒層内の水輸送をミクロなスケールで深層学習モデリングした。プロトン交換膜型燃料電池の触媒層（CL）内の水管理は、その実用化・普及のために極めて重要である。しかし、水の分布や拡散を得るための高い実験コストや計算コストが、既存の実験手法やシミュレーションアルゴリズムのボトルネックとなっており、ナノスケールでのさらなるメカニズムの解明が必要である。ここでは、分子動力学シミュレーションを、多属性点群データセットと高度な深層学習ネットワークに基づきカスタマイズした解析フレームワークと初めて統合した。これは、トレーニングおよびテストデータセットとして、CL内の水分子のシミュレーション輸送データを生成する我々のワークフローによって達成された。ディープラーニングフレームワークは、CLのマルチボディ固液系を分子スケールでモデル化し、Pt/C基板構造やNafion凝集体から水分子の密度分布や拡散係数へのマッピングを完了させた。予測結果を総合的に解析し、誤差を評価することで、50000対の相互作用するナノ粒子間の異方性の高い相互作用を明らかにし、水和ナフィオン膜の構造と水輸送特性の関係を分子スケールで説明することができた。提案した深層学習フレームワークは、従来の手法と比較して、計算コスト効率、精度、良好な視覚的表示を示している。さらに、燃料電池の異なる構成要素における巨視的および微視的な物質輸送をモデル化する際の一般性を与えるものとなっている。本フレームワークは、CLにおける水分子の分布や拡散をリアルタイムで予測するとともに、CLや燃料電池の他のコンポーネントの構造最適化や設計における統計的有意性を確立することが期待される。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
現在の研究は当初の計画に沿って着実に進行しており、いくつかの科学的成果を得ており、これまでの研究を以下の学術雑誌に発表した（Li, Gaoyang, et al. "Deep Learning to Reveal the Distribution and Diffusion of Water Molecules in Fuel Cell Catalyst Layers.". ACS Applied Materials & Interfaces (2023).）。
我々は現在、アルゴリズムの性能評価のために、提案された深層学習フレームワークを一般的な手法と比較し、本課題で構築されたフレームワークは精度、計算コスト、視覚表示において優れた性能を示し、燃料電池の異なるコンポーネントにおける巨視的および微視的物質輸送をモデル化する際の一般性をあたえるものとなっている。我々は、このフレームワークが、異なる構成要素におけるマルチスケールの粒子輸送をリアルタイムで予測し、統計的に有意な方法で、すべてのPEMFC構成要素の構造最適化と設計に貢献することを期待している。
|
| Strategy for Future Research Activity |
次のステップとして、マイクロスケールシステムのモデリングにおけるディープラーニングの適用に焦点を当てる。CL層におけるマイクロスケールのプロトン輸送を予測するために、ポリテトラフルオロエチレン（PTFE）分子のような他のアイオノマーを追加する予定である。その場合、Pt、C、PTFEを表現するために分子タイプのラベルを使用することになるが、より現実的な深層学習データセットを構築するために、分子の実際の特性（立体配置、結合エネルギー、結合角など）を入力として使用することも考えている。PTFEのようなより複雑な分子を入力として使用する場合、分子の立体配置や原子間の相互作用を無視することはできない。長鎖高分子分子の特徴をより良く表現するために、データについては、原子間の相互作用を表現するために固定された局所点群の使用を検討し、ネットワーク構造については、PointNet++ネットワークに基づいて、より高度な局所点群分類と特徴抽出設計を導入する予定です。
PEMにおけるマイクロスケールのプロトン輸送の場合：この段階では、提案する深層学習フレームワークの異なるマイクロスケールモデルに対する普遍性を検証することを主目的とする。申請者は、新しいプロトン点群およびPEM点群データセットを構築し、データセットの特性に応じてネットワーク構造を微調整し、深層学習とオリジナルデータの違いを包括的に評価するための予測誤差関数を提案します。
|
